面部鉴伪模型的训练方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种面部鉴伪模型的训练方法、装置、设备及存储介质，涉及人工智能技术领域。所述方法包括：获取伪面部图像和真面部图像，伪面部图像的面部姿态与真面部图像的面部姿态之间的差异度小于或等于门限值；基于伪面部图像对应的梯度信息，对伪面部图像和真面部图像进行融合，得到融合面部图像；基于融合面部图像对应的鉴伪结果，对面部鉴伪模型进行训练。本申请实施例可应用于人工智能、智慧交通、辅助驾驶等场景，本申请能够通过在生成融合面部图像的同时，确定融合面部图像对应的标签数据，进而基于融合面部图像和标签数据，实现模型的自监督学习，而不受限于样本的稀少，从而提高模型的鉴伪准确性。提高模型的鉴伪准确性。提高模型的鉴伪准确性。

【技术实现步骤摘要】
面部鉴伪模型的训练方法、装置、设备及存储介质


[0001]本申请实施例涉及人工智能
，特别涉及一种面部鉴伪模型的训练方法、装置、设备及存储介质。

技术介绍

[0002]随着人工智能技术的发展，其在面部(即脸部)鉴伪领域的研究和应用也越来越多。
[0003]目前，基于深度学习的面部鉴伪模型，大多依赖于带有标签信息的伪面部图像进行监督式训练，然而，在实际应用场景中，带有标签信息的伪面部图像有限，基于有限的伪面部图像训练得到的面部鉴伪模型的鉴伪准确性不高。

技术实现思路

[0004]本申请实施例提供了一种面部鉴伪模型的训练方法、装置、设备及存储介质，能够提高面部鉴伪模型的鉴伪准确性，所述技术方案可以包括如下内容。
[0005]根据本申请实施例的一个方面，提供了一种面部鉴伪模型的训练方法，所述面部鉴伪模型包括样本生成网络和面部检测网络，所述方法包括：
[0006]获取伪面部图像和真面部图像；其中，所述伪面部图像对应的面部姿态与所述真面部图像对应的面部姿态之间的差异度小于或等于门限值；
[0007]通过所述面部检测网络，获取所述伪面部图像对应的梯度信息，所述梯度信息用于指示所述伪面部图像中的面部区域；
[0008]通过所述样本生成网络，基于所述梯度信息对所述伪面部图像和所述真面部图像进行融合，得到融合面部图像；
[0009]通过所述面部检测网络，获取所述融合面部图像对应的鉴伪结果；其中，所述鉴伪结果包括真伪预测结果、融合区域预测结果和融合程度预测结果；/>[0010]基于所述融合面部图像对应的鉴伪结果，对所述面部鉴伪模型进行训练，得到训练完成的所述面部鉴伪模型。
[0011]根据本申请实施例的一个方面，提供了一种面部鉴伪模型的训练装置，所述面部鉴伪模型包括样本生成网络和面部检测网络，所述装置包括：
[0012]面部图像获取模块，用于获取伪面部图像和真面部图像；其中，所述伪面部图像对应的面部姿态与所述真面部图像对应的面部姿态之间的差异度小于或等于门限值；
[0013]梯度信息获取模块，用于通过所述面部检测网络，获取所述伪面部图像对应的梯度信息，所述梯度信息用于指示所述伪面部图像中的面部区域；
[0014]面部图像融合模块，用于通过所述样本生成网络，基于所述梯度信息对所述伪面部图像和所述真面部图像进行融合，得到融合面部图像；
[0015]鉴伪结果获取模块，用于通过所述面部检测网络，获取所述融合面部图像对应的鉴伪结果；其中，所述鉴伪结果包括真伪预测结果、融合区域预测结果和融合程度预测结
果；
[0016]鉴伪模型训练模块，用于基于所述融合面部图像对应的鉴伪结果，对所述面部鉴伪模型进行训练，得到训练完成的所述面部鉴伪模型。
[0017]根据本申请实施例的一个方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现上述面部鉴伪模型的训练方法。
[0018]根据本申请实施例的一个方面，提供了一种计算机可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现上述面部鉴伪模型的训练方法。
[0019]根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述面部鉴伪模型的训练方法。
[0020]本申请实施例提供的技术方案至少包括如下有益效果。
[0021]通过随机获取面部姿态相似的伪面部图像和真面部图像，并对伪面部图像和真面部图像进行融合，在生成融合面部图像的同时，确定融合面部图像对应的标签数据，进而基于融合面部图像和标签数据，实现面部鉴伪模型的自监督学习，使得面部鉴伪模型的训练不受限于有限的带标签信息的训练样本，从而提高面部鉴伪模型的鉴伪准确性。同时，由于支持面部鉴伪模型的自监督学习，从而降低了面部鉴伪模型训练所需的样本的获取成本和难度。
[0022]另外，通过将融合面部图像作为面部鉴伪模型的训练样本，可以在伪面部图像附近进行训练样本的扩充，从而丰富了训练样本和提高了训练样本的多样性，进而提高了面部鉴伪模型的泛化性，以及对干扰因素的鲁棒性。
[0023]另外，基于伪面部图像对应的梯度信息，获取融合面部图像，可以提高融合面部图像的准确性，有利于进一步提高面部鉴伪模型的鉴伪准确性。
[0024]另外，本申请实施例中的面部鉴伪模型支持多任务检测，诸如真伪、融合区域和和融合程度等检测，从而提高了面部鉴伪模型的适用性。此外，基于相辅相成的多个任务分别对应的预测结果，对面部鉴伪模型进行训练，有利于进一步提高面部鉴伪模型的鉴伪准确性。
附图说明
[0025]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0026]图1是本申请一个实施例提供的方案实施环境的示意图；
[0027]图2是本申请一个实施例提供的面部鉴伪模型的示意图；
[0028]图3是本申请一个实施例提供的面部鉴伪模型的训练方法的流程图；
[0029]图4是本申请一个实施例提供的梯度信息的获取方法的流程图；
[0030]图5是本申请一个实施例提供的融合面部图像的获取方法的流程图；
[0031]图6是本申请一个实施例提供的面部鉴伪模型的训练装置的框图；
[0032]图7是本申请另一个实施例提供的面部鉴伪模型的训练装置的框图；
[0033]图8是本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
[0034]为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
[0035]人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
[0036]人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面部鉴伪模型的训练方法，其特征在于，所述面部鉴伪模型包括样本生成网络和面部检测网络，所述方法包括：获取伪面部图像和真面部图像；其中，所述伪面部图像对应的面部姿态与所述真面部图像对应的面部姿态之间的差异度小于或等于门限值；通过所述面部检测网络，获取所述伪面部图像对应的梯度信息，所述梯度信息用于指示所述伪面部图像中的面部区域；通过所述样本生成网络，基于所述梯度信息对所述伪面部图像和所述真面部图像进行融合，得到融合面部图像；通过所述面部检测网络，获取所述融合面部图像对应的鉴伪结果；其中，所述鉴伪结果包括真伪预测结果、融合区域预测结果和融合程度预测结果；基于所述融合面部图像对应的鉴伪结果，对所述面部鉴伪模型进行训练，得到训练完成的所述面部鉴伪模型。2.根据权利要求1所述的方法，其特征在于，所述通过所述面部检测网络，获取所述伪面部图像对应的梯度信息，包括：通过所述面部检测网络，获取所述伪面部图像对应的鉴伪结果；基于所述伪面部图像对应的鉴伪结果和所述伪面部图像对应的标签数据，获取所述伪面部图像对应的第一训练损失，所述第一训练损失用于指示所述面部鉴伪模型对面部图像的真伪的预测准确性；基于所述伪面部图像对应的第一训练损失，对所述伪面部图像对应的各个像素值进行求导，获取所述伪面部图像对应的梯度信息。3.根据权利要求1所述的方法，其特征在于，所述通过所述样本生成网络，基于所述梯度信息对所述伪面部图像和所述真面部图像进行融合，得到所述融合面部图像，包括：对所述梯度信息进行调整，获取所述伪面部图像对应的掩码；获取所述真面部图像对应的目标融合区域和目标融合强度；通过所述样本生成网络，在所述目标融合区域根据所述目标融合强度和所述掩码，对所述伪面部图像和所述真面部图像进行融合，得到所述融合面部图像。4.根据权利要求3所述的方法，其特征在于，所述通过所述样本生成网络，在所述目标融合区域根据所述目标融合强度和所述掩码，对所述伪面部图像和所述真面部图像进行融合，得到所述融合面部图像，包括：获取所述伪面部图像和所述真面部图像之间的差值图像；通过所述样本生成网络，对所述目标融合强度、所述掩码和所述差值图像进行求积，得到过渡图像；通过所述样本生成网络，在所述目标融合区域对所述过渡图像和所述真面部图像进行融合，得到所述融合面部图像。5.根据权利要求1所述的方法，其特征在于，所述基于所述融合面部图像对应的鉴伪结果，对所述面部鉴伪模型进行训练，得到训练完成的所述面部鉴伪模型，包括：基于所述融合面部图像对应的真伪预测结果，和所述融合面部图像对应的真伪真实结果之间的差异，获取所述融合面部图像对应的第一训练损失；基于所述融合面部图像对应的融...

【专利技术属性】
技术研发人员：张勇，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：